KLASIFIKASI KELAYAKAN PENERIMA BANTUAN

PANGAN NON-TUNAI MENGGUNAKAN METODE

NAIVE BAYES

(Studi kasus : Desa Moutong Utara)

OLEH

DESTIRA LAILA

T3119027

USULAN PENELITIAN

PROGRAM SARJANA
TEKNIK INFORMATIKA
UNIVERSITAS ICHSAN GORONTALO
GORONTALO
2023
i
 KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah Subhanahu Wa Ta’ala,

karena hanya dengan izin dan kuasa-Nya penulisan dapat menyelesaikan
penyusunan proposal penelitian dengan judul “Klasifikasi Kelayakan Penerima
Bantuan Pangan Non Tunai Menggunakan Metode Naive Bayes” Studi Kasus
Desa Moutong Utara. Penulis menyadari dalam penyusunan proposal ini masih
jauh dari kesempurnaan. Oleh karena itu, penulis mengharapkan masukkan untuk
kesempurnaan penulisan proposal penelitian ini.

Penulis juga mengucapkan terima kasih kepada pihak-pihak yang telah

membantu terselesainya proposal penelitian ini :

1. Ibu Dr. Dra. Juriko Abdussamad, M.Si, selaku Ketua Yayasan Pengembangan
Ilmu Pengetahuan dan Teknologi (YPIPT) Ichsan Gorontalo;
2. Bapak Dr. Abdul Gaffar La Tjokke, M.Si, selaku Rektor Universitas Ichsan
Gorontalo;
3. Bapak Irvan A. Salihi, S.Kom, M.Kom, selaku Dekan Fakultas Ilmu
Komputer Universitas Ichsan Gorontalo;
4. Bapak Sudirman Melangi, M.Kom, selaku Wakil Dekan I Bidang Akademik
Fakultas Ilmu Komputer;
5. Ibu Irma Surya Kumala, M.Kom, selaku Wakil Dekan II bidang Administrasi
Umum dan Keuangan Fakultas Ilmu Komputer;
6. Bapak Sudirman S. Panna, M.Kom, selaku Ketua Jurusan Teknik Informatika
Fakultas ilmu Komputer Universitas Ichsan Gorontalo;
7. Bapak Muis Nanja M.kom, selaku Pembimbing I yang telah banyak
membimbing penulis selama ini;
8. Ibu Siti Andini Utiarahman S.Si, M.Kom, selaku Pembimbing II yang telah
banyak membimbing penulis selama ini;
9. Bapak dan Ibu Dosen Universitas Ichsan Gorontalo yang sudah mendidik dan
mengajarkan berbagai ilmu disiplin kepada penulis;
10. Kedua Orang Tua tercinta, ayah Bapak Rasul L Lamadupa dan Ibunda

ii
 NurAfni, yang selalu hadir dengan cinta, doa dan merupakan kekuatan
terbesar bagi penulis untuk terus belajar dan tetap kuat ketika menghadapi
situasi tersulit sekalipun bagi penulis;

Semoga segala amal dan perbuatan yang telah diberikan mendapatkan rahmat
dan balasan yang lebih baik dari Allah Subhanahu Wa Ta’ala. Akhir kata penulis
berharap proposal penelitian ini dapat berguna dan bermanfaat bagi semua. Amin.

Gorontalo, Januari 2023

Penulis

iii
 DAFTAR ISI

PERSETUJUAN USULAN PENELITIAN ............................................................... i

KATA PENGANTAR ................................................................................................. ii
DAFTAR ISI ............................................................................................................... iv
DAFTAR TABEL ...................................................................................................... vi
DAFTAR GAMBAR ................................................................................................. vii
BAB 1 PENDAHULUAN ........................................................................................... 1
1.1 Latar Belakang .................................................................................................... 1
1.2 Identifikasi Masalah ............................................................................................ 2
1.3 Rumusan Masalah ............................................................................................... 3
1.4 Tujuan Penelitian ................................................................................................. 4
1.5 Manfaat Penelitian ............................................................................................... 6
BAB II LANDASAN TEORI ..................................................................................... 6
2.1 Tinjauan Studi ..................................................................................................... 7
2.2 Tinjauan Pustaka................................................................................................ 10
2.2.1 Bantuan Pangan Non Tunai ........................................................................ 10
2.2.2 Data Mining ................................................................................................ 10
2.2.3 Tahapan Data Mining ................................................................................. 12
2.2.4 Klasifikasi ................................................................................................... 14
2.2.5 Algoritma Naive Bayes ............................................................................... 14
2.2.6 Penerapan Metode Naive Bayes .................................................................. 16
2.2.7 Evaluasi Model ........................................................................................... 18
2.2.8 Pengembangan Sistem ................................................................................ 19
2.2.9 Analisis Sistem............................................................................................ 20
2.2.10 Desain Sistem ........................................................................................... 20
2.2.11Pengujian Sistem........................................................................................ 22
2.3 Perangkat Lunak Pendukung ............................................................................. 27
2.4 Kerangka Pemikiran .......................................................................................... 28
BAB III METODE PENELITIAN .......................................................................... 29

iv
 3.1 Jenis, Metode, Subjek, Objek, Waktu, dan Lokasi Penelitian ........................... 29
3.2 Pengumpulan Data ............................................................................................ 29
3.3 Pemodelan ......................................................................................................... 29
3.3.1 Tahap Pengumpulan Data ........................................................................... 30
3.3.2 Tahap Klasifikasi ........................................................................................ 30
3.3.3 Tahap Evaluasi (Akurasi) ........................................................................... 30
3.3.4 Tahap Analisi Sistem .................................................................................. 30
3.3.4.1 Analisis Sistem Berjalan .................................................................... 31
3.3.4.2 Analisis Sistem Usulan ...................................................................... 31
3.3.5 Tahap Desain Sistem................................................................................... 31
3.3.6 Tahap Kontruksi Sistem.............................................................................. 31
3.3.7 Tahap Pengujian Sistem.............................................................................. 32
DAFTAR PUSTAKA ................................................................................................ 33
JADWAL PENELITIAN ......................................................................................... 33

v
 DAFTAR TABEL

Tabel 1.1 Data Penerima Bantuan Pangan Non Tunai desa Moutong Utara ......... 2
Tabel 2.1 Penelitian Tentang Klasifikasi Menggunakan Metode Naive Bayes ..... 5
Tabel 2.2 Variabel ................................................................................................ 15
Tabel 2.3 Atribut Data........................................................................................... 15
Tabel 2.4 Data Uji ................................................................................................ 16
Tabel 2.5 Tabel Cofussion Matriks 2 kelas .......................................................... 18
Tabel 2.6 Hubungan antara Cyclomatic Complexity dan resiko .......................... 24
Tabel 2.7 Perangkat Lunak Pendukung ............................................................... 26
Tabel 3.1 Variabel/Atribut Data ........................................................................... 28
Tabel 3.2 Jadwal Penelitian.................................................................................. 34

vi
 DAFTAR GAMBAR

Gambar 2.1 Proses Knowledge Discovery in Database (KDD) .......................... 11

Gambar 2.2 Blok Diagram Model Klasifikasi ..................................................... 12
Gambar 2.3 Teorema Bayes ................................................................................. 14
Gambar 2.4 Contoh Grafik Alir White Box ......................................................... 22
Gambar 2.5 Contoh Grafik Alir White Box ......................................................... 23
Gambar 2.6 Bagan Kerangka Pikir ...................................................................... 27

vii
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Salah satu factor yg paling mendasar dan menjadi pusat perhatian bagi
pemerintah Indonesia adalah tingkat kemiskinan yang sangat tinggi[1].
Kemiskinan adalah suatu standar tingkat kehidupan yang rendah di masyarakat,
yaitu adanya suatu tingkat kurangnya materi dan rendahnya kemampuan
seseorang dibandingkan dengan standar kehidupan yang umum berlaku di lingkup
masyarakat yang berkaitan[2]. Kemiskinan adalah salah satu masalah yang
dialami oleh masyarakat di Indonesia. Banyak cara yang harus dilakukan
pemerintah Indonesia untuk mengurangi tingkat kemiskinan, yaitu dengan
mengadakan program bantuan sosial untuk masyarakat yang kurang mampu.
Dengan adanya program ini semoga dapat meminimalisir tingkat kemiskinan yang
ada di Indonesia.
Dalam membantu meminimalkan kemiskinan, Kementrian Sosial membuat
suatu program bantuan untuk warga miskin, sebagaimana arahan dari presiden
republik indonesia tentang program raskin pada juli 2016, penyaluran raskin
diganti dengan menggunakan kartu elektronik yang akan diberikan langsung
kepada rumah tangga, sehingga bantuan sosial disalurkan secara non tunai dengna
menggunakan sistem perbankan. Sistem baru penyaluran bantuan pangan ini
diatur dalam peraturan presiden nomor 63 tahun 2017 tentang penyaluran bantuan
sosial secara non tunai. Bantuan yang dibuat Kementrian Sosial adalah Bantuan
Pangan Non Tunai (BPNT). Program BPNT ini dimulai dari tahun 2017 di
beberapa wilayah yang ada di Indonesia dengan cara memberikan subsidi non
tunai melalui sebuah kartu elektronik. Bantuan Pangan Non Tunai (BPNT) adalah
bantuan sosial pangan yang disalurkan dalam bentuk non tunai dari pemerintah
kepada Keluarga Penerima Manfaat (KPM) setiap bulannya melalui uang
elektronik selanjutnya untuk membeli bahan pangan yang telah ditentukan di e-
warung. Bantuan pangan non tunai atau yang disingkat BPNT ini berwujud bahan
pangan antara lain adalah beras, telur, daging ayam, tahu/tempe[3].

1
 2

Kecamatan Moutong merupakan kecamatan yang berada di Kabupaten Parigi

Moutong Provinsi Sulawesi Tengah, Kecamatan Moutong memiliki keseluruhan
20 desa yang diantaranya desa Moutong Tengah, Moutong Timur Moutong Barat,
Moutong Utara dan lain-lain. Desa Moutong Utara adalah salah satu desa yang
berada di Kecamatan Moutong yang masuk dalam program Penerima BPNT dari
hasil data kependudukan 2021 desa Moutong Utara tercatat sebanyak 1060 kepala
keluarga (KK) yang terbagi dari 4 dusun. Dari data tersebut tercatat jumlah warga
miskin sebanyak 67 KK dari data tersebut penerima BPNT sebanyak 50 KK[4].
Dengan jumlah warga miskin Mutong Utara yang begitu banyak sehingga
diperlukan analisis yang mendalam untuk menentukan warga tidak mampu yang
berhak untuk mendapatkan bantuan sosial dari pemerintah. Data warga miskin
yang ada akan disurvei terlebih dahulu, kemudian akan dianalisis dan hasil dari
analisis tersebut digunakan untuk menentukan warga miskin yang berhak
mendapatkan BPNT, tetapi pada kenyataannya dalam penyaluran BPNT
banyak/ada beberapa yang tidak tepat sasaran. Dengan adanya masalah tersebut,
yang mengakibatkan adanya ketidaksinkronan penerima BPNT. Masyarakat yang
berhak menerima bisa saja tidak menerima, sedangkan masyarakat yang bukan
masyarakat miskin malah justru menerima BPNT. Jika penerima BPNT terdata
dengan baik, serta syarat dan ketentuan kelayakan peneriman BPNT terdata
dengan baik, maka akan mengurangi ketidak sinkronan penerima BPNT dan akan
memudahkan pemerintah desa dalam pembagian BPNT tersebut. Berikut data
penerima Bantuan Pangan Non Tunai[5][4].
 3

Tabel 1.1 Data Terpadu Kesejahteraan Sosial Moutong Utara

Jumlah
No. Nama Pekerjaan Penghasilan KET
Tanggungan
1. Sukani Petani Rp. 450.000 2 Orang TERIMA
2. Ridwan Petani Rp. 400.000 3 Orang TERIMA
3. NurNaningsi IRT Rp. 300.000 2 Orang TERIMA
4. Melis Petani Rp. 400.000 3 Orang TERIMA
5. Huraira Ahmadi IRT Rp. 300.000 3 Orang TERIMA
6. Tarni IRT Rp. 350.000 5 Orang TIDAK
TERIMA
7. Surianto Lamadupa Petani Rp. 400.000 3 Orang TIDAK
TERIMA
8. Junaidi Ahmad Petani Rp. 400.000 2 Orang TIDAK
TERIMA
9. M. Isnah IRT Rp. 300.000 3 Orang TIDAK
TERIMA
10. Rosita Pakaya IRT Rp. 250.000 4 Orang TIDAK
TERIMA
.... .... .... .... .... ....
223. Acul Petani Rp. 500.000 3 orang TIDAK
TERIMA
Sumber: Desa Moutong Utara (2021)

Salah satu upaya untuk untuk mengatasi permasalahan diatas adalah dengan
mengimplementasikan salah satu konsep data mining yaitu teknik klasifkasi. Data
mining adalah suatu cara yang bertujuan dalam menemukan pola secara otomatis
dari data atau yang sudah ada dalam database atau sumber dari data lain yang
digunakan untuk memanfaatkan dan menyelesaikan suatu masalah melalui
berbagai aturan proses. Salah satu teknik data mining adalah fungsi klasifikasi.
Fungsi dari klasifikasi dapat memudahkan mengidentifikasi kelayakan penerima
dan bukan penerima BPNT. Beberapa Algoritma dalam klasifikasi diantaranya
 4

adalah C4.5, K-Nearest Neighbor Classifer, Naive Bayes Clasifier, dan

ANN[1][4].
Naive bayes adalah salah satu metode yang digunakan dalam data mining
yang didasarkan pada konsisten yang kuat. Naive bayes adalah salah satu
algoritma klasifikasi yang simple dan mudah dalam implimentasinya. Hal ini
sejalan dengan penelitian terdahulu data BPNT dengan menggunakan metode
naive bayes sehingga mendapatkan hasil yang sangat baik. Maka penelitian ini
akan menggunakan data mining teknik klasifikasi dengan algoritma Naive
Bayes[4].
Tujuan dari penelitian ini adalah untuk menentukan algoritma klasifikasi yang
menghasilkan akurasi paling akurat yang nantinya akan digunakan untuk
membuat sebuah sistem yang dapat membantu dalam menentukan kelayakan
penerima BPNT. Harapan dari penelitian ini adalah untuk dapat membantu
pemerintah daerah dalam menentukan penerima BPNT.
Dalam beberapa hasil penelitian sebelumnya yang dilakukan oleh Castaka
Agus Sugianto dan Firdi Rizky Maulana dengan judul “Algoritma Naive Bayes
Untuk Klasifikasi Penerima Bantuan Pangan Non Tunai” dimana dari hasil
penelitian ini mengklasifikasi data penerima dan bukan penerima bantuan pangan
non tunai menggunakan metode Naive bayes dan algoritma Decision Tree sebagai
pembanding. Model data mining dibuat menggunakan RapidMiner, dengan hasil
nilai probabilitas untuk class “PENERIMA” yaitu 0,481 dengan pembulatan nilai
menjadi 0,48 dan nilai probabilitas untuk class “BUKAN PENERIMA” yaitu
0,519 dengan pembulatan nilai menjadi 0.52. Algoritma Naive Bayes mempunyai
tingkat Accuracy sebesar 58,29%, Precision 92,90%, Recall 21,84%, AUC
0,765% F-Measure 34.42%. sedangkan algoritma Decission Tree mempunyai
tingkat Accuracy Sebesar 73,97%, precision 85,04%, Recall 61,92%, AUC 0,746,
F-Measure 71,17%. Dalam hasil pengujian T-test antara Algoritma Naive Bayes
dan Algoritma Decision tree didapat alpha ≤ 0,000, maka dapat disimpulkan
pengujian T-Test antara Algoritma Naive Bayes dan Algoritma Decision tree
hasilnya signifikan[4]. Adapun penelitian lain yang menggunakan algoritma
Naive Bayes oleh Khoramatul Nuruhul Mustafa, Eka Suswaini, Nurfalinda
 5

dengan judul “Klasifikasi Penerima Bantuan RASTRA menggunakan metode

Naive Bayes” dimana dari hasil penelitian yang diperoleh menunjukan nilai
akurasi menggunakan jumlah data pengujian 30%, 60% dan 100% memiliki hasil
yang berbeda, dimana nilai tertinggi diperoleh dengan menggunakan data 30%,
60% yang memiliki hasil 100%. Sedangkan pengujian nilai akurasi menggunakan
data pengujian 100% sebesar 96,67%[6]. Dan adapun hasil penelitian dari
Nurahman, Muhamad mastur Alfitri yang berjudul ”Klasifikasi Data Untuk
Menerima Bantuan Pangan Non Tunai Menggunakan Metode Naive Bayess” dari
hasil penelitian tersebut analisis yang dilakukan menggunakan algoritma Naive
Bayes dengan membagi dataset menjadi data training dan data testing. Pengujian
data sebanyak 9 kali untuk mengetahui keakuratan dari hasil analisis penelitian
dalam pencarian nilai accuracy performance vektor. Hasil penelitian menunjukan
nilai accuracy performance fektor mencapai 90.00%. sehingga diketahui bahwa
algoritma naive bayes mampu melakukan analisis terdapat data penduduk untuk
penentuan bantuan pangan non tunai pada desa Bapinang Hulu[7].
Berdasarkan hal tersebut diatas peneliti bermaksud melakukan penelitian
diatas dengan judul “ Klasifikasi Kelayakan Penerima Bantuan Pangan Non
Tunai Menggunakan Metode Naive Bayes” Study kasus Desa Moutong Utara.

1.2 Identifikasi Masalah

Berdasarkan uraian latar belakang diatas maka dapat diidentifikasikan
beberapa masalah yaitu klasifikasi kelayakan masyarakat yang layak sebagai
penerima bantuan pangan non tunai dan yg tidak layak menerima bantuan pangan
non tunai sehingga memudahkan mengidentifikasi kelayakan penerima dan bukan
penerima BPNT.
 6

1.3 Rumusan Masalah

Dari uraian latar belakang diatas, dapat dirumuskan masalah pokok yang
berkaitan sebagai berikut:
1. Bagaimana menerapkan metode Naive Bayes dalam mengklasifikasi tingkat
kelayakan penerima bantuan pangan non tunai?
2. Bagaimana hasil penerapan metode Naive Bayes dalam mengklasifikasi
kelayakan penerima bantuan pangan non tunai menggunakan metode Naive
Bayes?

1.4 Tujuan Penelitian

1. Menerapkan metode Naive Bayes dalam mengklasifikasi tingkat kelayakan
penerima bantuan pangan non tunai
2. Untuk mengetahui hasil penerapan metode Naive Bayes dalam klasifikasi
kelayakan penerima bantuan pangan non tunai
1.5 Manfaat Penelitian
Penelitian ini dimohonkan agar membawa faedah secara teoritis dan
praktis dan praktis kepada pihak terkait sebagai pertimbangan, masukan, dan
pedoman serta evaluasi.
1. Secara teoritis, penelitian ini diharapkan dapat mengembangkan ilmu
pengetahuan sehingga dapat meningkatkan metode yang digunakan.
2. Secara praktis, penelitian ini diharapkan dapat dapat mengembangkan ilmu
pengetahuan bagi instansi sebagai bahan informasi agar dapat
mengoptimalkan kelayakan penerima bantuan pangan non tunai.
 BAB II

LANDASAN TEORI
2.1 Tinjauan Studi
Beberapa penelitian tentang Klasifikasi dan penerapan metode Naive Bayes
seperti dibawah ini:
Tabel 2.1 penelitian tentang Klasifikasi menggunakan metode Naive
Bayes
No Peneliti Judul Hasil
1. Haidah Putri, Ade Irma Penerima Manfaat Tujuan penelitian
Purnama Sari, Arif Rinaldi Bantuan Non Tunai ini untuk
Dikananda, Odi Kartu Keluarga mengklasifikasi
Nurdiawan, Saeful Anwar Sejahtera data penerima dan
(2021) Menggunakan bukan penerima
Metode Naive bantuan pangan
Bayes Dan KNN) non tunai
menggunakan
teknik klasifikasi
pada data mining
menggunakan
metode naive bayes
dan metode
decission tree
sebagai
pembanding.
Model data mining
dibuat
menggunakan
RapidMiner,
dengan hasil nilai
probabilitas untuk
class “penerima”

7
 8

No Peneliti Judul Hasil

yaitu 0,481 dengan
pembulatan nilai
menjadi 0,48 dan
nilai probabilitas
untuk class
“bukan penerima”
yaitu 0,519 dengan
pembulatan nilai
menjadi 0,52.
2. Nurul Huda, Muhammad Seleksi Penerima Tujuan dari
Hasbi, Teguh Susyanto Bantuan Pangan penelitian ini
(2021) Non Tunai di Desa adalah merancang
Menggunakan dan membangun
Metode Naive sebuah aplikasi
Bayes dan Simple yang memberikan
Additive Weighting kemudahan kepada
SATGASKIN
dalam menentukan
kelayakn calon
penerima manfaat
dan penentuan
prioritas penerima
manfaat. Dari hasil
kajian tersebut,
sistem dapat
digunakan oleh
SATGASKIN
untuk
 9

No Peneliti Judul Hasil

membantu
menentukan
kelayakan
penerima dengan
nilai akurasi 85%,
presesi 85,71%,
Recall 92,31%,
metode Naive
Bayes dan Simple
Addictive
Weighting
mencapai 100%
sesuai dengan hasil
perhitungan
manual.
3. Castaka Agus Sugianto, Algoritma Naive Hasil dari
Firdi Rizky Maulana Bayes Untuk penelitian ini
(2019). Klasifikasi adalah klasifikasi
Penerima Bantuan penerima manfaat
Pangan Non Tunai dari 6.491
(Study Kasus penerima KKS
Kelurahan Utama dengan metode
algoritma K-NN
menghasilkan nilai
accurary 66,46%,
dengan sebaran di 5
kelurahan antara
lain pred
Argusunya class
 10

precision 64,90%,
pred
No Peneliti Judul Hasil
Hardjamukti class
precession 65,18%,
pred Kalijaga class
precision 66,64%,
pred kecapi class
precision 68,44%,
pred Larangan
class precision
68,34%, sedangkan
Algoritma Naive
Bayes klasifikasi
dengan true
dimasing-masing
kelurahan dengan
sebarang true
algasunya 1.196
KKS class
precision 100% ,
true Hardjamiukti
1.339 KKS class
precision 100%,
true kalijaga 2.067
KKS class
precision 100%,
true kecapi 1.137
KKS class
precision 100%,
 11

No Peneliti Judul Hasil

true Larangan 744
KKS (1KKS true
argasunya , 1 KKS
true Hardjamukti, 3
KKS true kalijaga,
3 KKS true Kecapi)
class precision
98.64%. nilai
acurasy model
Algoritma Naive
Bayes sebesar
99,88%. 85,71%,
Recall 92,31%,
metode Naive
Bayes dan Simple
Addictive
Weighting
mencapai 100%
sesuai dengan hasil
perhitungan
manual.

2.2 Tinjauan Pustaka

2.2.1 Bantuan Pangan Non Tunai
Bantuan pangan non tunai adalah bantuan sosial pangan dalam bentuk
non tunai yang bersumber dari pemerintah, kemudian diberikan kepada Keluarga
Penerima Manfaat (KPM) melalui mekanisme account elektronik pada setiap
bulannya yang hanya digunakan untuk membeli keperluan bahan pangan berupa
telur dan beras dipedagang bahan pangan atau e-warong. Penerima BPNT dipilih
 12

berdasarkan kriteria yang Penerima BPNT dari keluarga dengan kondisi sosial
ekonomi masyarakat yang rendah didaerah tersebut[1][8].

2.2.2 Data Mining

Data mining adalah proses yang digunakan untuk memanfaatkan
kumpulan data untuk mendapatkan berbagai informasi yang berharga dengan
ukuran data yang cukup besar melalui proses penggalian data atau penyaringan
data. Semua bidang yang mempunyai sejumlah data besar dapat menerapkan Data
Mining. Hasil dari pengolahah Data Mining akan digunakan untuk mengambil
informasi dan keputusan yang akan datang.
Selain itu ada pengertian lain mengenai Data Mining menurut Han J
Kamber yaitu Data Mining yaitu Data Mining adalah sebuah disiplin ilmu yang
mempelajari metode yang digunakan untuk menentukan pola yang tersembunyi
dari data besar. Data Mining ini dapat mengubah kumpulan data yang
besar/banyak sehingga menjadi informasi yang diperlukan. Selain itu juga dengan
Data Mining, pencarian pola baru atau trend baru pada data yg besar akan
dilakukan dengan mudah sehingga dapat membantu mengambil keputusan atau
memprediksi data tertentu dan menganalisi apa yang harus dilakukan[5].

2.2.3 Tahapan Data Mining

Tahapan yang akan dilakukan pada proses Data Mining dimulai dari
pemilihan data dari data sumber kedata target, tahap preprocessing untuk
memperbaiki kualitas data, transformasi, data mining serta tahap interpretasi dan
evaluasi sehingga menghasilkan output berupa pengetahuan baru sehingga
diharapkan memberikan kontribusi yang sangat baik. Dijelaskan secara detail
sebagai berikut[9]:
 13

Gambar 2.1 Proses Knowledge Discovery In Database (KDD)

1. Data selection
Pemilihan atau seleksi data dari sekumpulan data operasional perlu
dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Dari hasil
data seleksi yang digunakan dalam proses data mining, dalam suatu berkas,
yang terpisah dari basis data operasioal.
2. Pre-processing / cleaning
Sebelum proses data mining dapat dilaksanakan, sehingga perlu dilakukan
proses cleaning pada data yang menjadi fokus KDD, proses cleaning ini
mencakup antara lain membuang duplikasi data, memeriksa data yang
inkonsisten, dan memperbaiki kesalahan pada data.
3. Transformation
Coding adalah proses transformasi pada yang telah dipilih, sehingga data
tersebut sesuai dengan proses Data Mining. Proses Coding dalam KDD adalah
suatu proses kreatif dan sangan tergantung pada jenis atau pola informasi yang
akan dicari dalam suatu basis data.
4. Data mining
Data Mining adalah proses mencari pola atau informasi menarik dalam
data terpilih dengan dengan menggunakan teknik atau metode tertentu.
Teknik, metode, atau algoritma dalam Data Mining sangat bervariasi.
 14

Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan
dan proses KDD secara keseluruhan.
5. Interpretation/evalution
Pola informasi yang dihasilkan dari proses Data Mining perlu ditampilkan
yang mudah dipahami oleh pihak yang berkaitan. Tahap ini merupakan bagian
dari proses KDD yang disebut interpretation. Tahap ini mencakup
pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan
fakta atau hipotesis yang ada pada sebelumnya.

2.2.4 Klasifikasi
Klasifikasi adalah proses untuk menemukan model atau fungsi yang
menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat
memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Proses
klasifikasi bertujuan untuk membentuk suatu suatu model yang mampu
membedakan data kedalam kelas yang berbeda berdasarkan aturan fungsi[10].

Gambar 2.2 Blok Diagram Model Klasifikasi

Gambar 2.2 menjelaskan bahwa input-an akan diklasifikasi dan

menghasilkan output berupa label kelas. Klasifikasi data terdiri dari 2 langkah
proses. Pertama adalah learning (fase training) dimana algoritma klasifikasi
dibuat untuk menganalisa data training dan dipresentasikan dalam bentuk rule
klasifikasi. Proses kedua adalah klasifikasi, dimana data uji digunakan untuk
memperkirakan akurasi dari rule klasifikasi[10].

2.2.5 Algoritma Naive Bayes

Algoritma Naive Bayes adalah salah satu algoritma yang terdapat pada
teknik klasifikasi. Naive Bayes merupakan pengklasifikasian dengan metode
probabilitas dan statistik yang dikemukakan oleh ilmuwan inggris Thomas Bayes,
yaitu memprediksi peluang dimasa depan berdasarkan pengalaman dimasa
 15

sebelumnya sehingga dikenal sebagai Teorema Bayes. Teorema Bayes tersebut

dikombinasikan dengan Naive dimana diperkirakan kondisi antara karakter saling
bebas. Klasifikasi Naive Bayes dikombinasikan bahwa ada atau tidak adanya ciri
tertentu dari suatu kelas tidak ada hubungannya dengan ciri dari kelas lainnya[11].

Persamaan dari teorema bayes adalah:

( | ) ( )
( | ) ............(2.1)
( )

Keterangan:
X : Data dengan class yang belum diketahui
H : Hipotesis data merupakan suatu class pesifik
P(H|X): Probabilitas hipotesis berdasar kondisi (posterioriprobability)
P(H) : Probabilitas hipotesis (prior probability)
P(H|X): Probabilitas berdasarkan kondisi pada hipotesis
P(X) : Probabilitas

Agar menjelaskan teorema Naive Bayes, perlu kita ketahui bahwa proses
dari klasifikasi membutuhkan sejumlah petunjuk untuk menentukan kelas apa
yang cocok untuk sampel yang akan dianalisis tersebut. Karena itu teorema bayes
diatas disesuaikan sebagai berikut[11]:

( ) ( )|
( | ) ............(2.2)
( )

Yang dimana suatu variabel C mempresentasikan kelas, sementara

variabel F1 ... Fn mempresentasikan karakterristik yang digunakan untuk
melakukan klasifikasi. Sehingga rumus tersebut menjelaskan peluang masuknya
sampel karakteristik tertentu dalam kelas C (Posterior) merupakan peluang
munculnya kelas C (sebelum masuknya sampel tersebut, sehingga disebut prior),
dikali dengan peluang kemunculan karakteristik sampel secara global (disebut
juga evidence). Oleh karena itu, rumus diatas dapat pula ditulis secara sederhana
sebagai berikut[11]:

............(2.3)
 16

Nilai dari Evidence akan selalu tetap untuk setiap kelas pada suatu sampel.
Nilai dari suatu posterior tersebut nantinya akan dibandingkan dengan nilai-nilai
posterior kelas lainnya agar menentukan kekelas apa suatu sampel akan
diklasifikasikan[11].

Gambar 2.3 Teorema Bayes

2.2.6 Penerapan Metode Naive Bayes

Berikut ini contoh penerapan metode Naive Bayes dengan kasus
Klasifikasi Metode Naive Bayes Untuk Penerima Kartu Indonesia Sehat[12].

Tabel 2.2 Variabel

Variabel Tipe Data Deskripsi

Usia Polynomial Usia Masyarakat

Pendidikan Polynomial Pendidikan Terakhir
Masyarakat
Pekerjaan Polynomial Pekerjaan Masyarakat
Pendapatan Per Bulan Polynomial Pendapatan Masyarakat
Yang Diterima Per
Bulannya
Tanggungan Anak Polynomial Tanggungan Anak Dari
Masyarakat
Terima Kis Label YA, Tidak
 17

Tabel 2.3 Data Latihan

T Terima
Usia Pendidikan Terakhir Pekerjaan pendapatan
A KIS?
58 TAMAT SD Karyawan swasta Rendah 0 Ya
63 SLTA Pensiun Tinggi 1 Tidak
39 SLTP Wiraswasta Rendah 2 Ya
58 SLTP Karyawan swasta Cukup 2 Ya
52 DIPLOMA IV/STRATA 1 Pegawai Negeri Sipil sangat tinggi 3 Tidak
69 AKADEMI/DIPLOMA III Pensiun Tinggi 0 Tidak
32 SLTA Buruh Harian Lepas Rendah 1 Ya
39 AKADEMI/DIPLOMA III Karyawan Swasta Cukup 0 Tidak
31 DIPLOMA IV/STRATA I Pegawai Negeri Sipil Tinggi 2 Tidak
50 SLTP Wiraswasta Rendah 2 Ya

Tabel 2.4 Data Uji

Pendidikan Terima
Usia Pekerjaan Pendapatan TA
Terakhir KIS?
44 SLTA Karyawan Cukup 2 ?
swasta

Ket: TA : Tanggungan Anak

KIS : Kartu Indonesia Sejahtera

Menghitung nilai probabilitas kelas (Y)

P(Y = Ya) = = 0,5

P(Y = Tidak) = = 0,5

Menghitung probabilitas X dimana X = 1,2,3,4,5

Terhadap variabel Y

P(Usia = A3 | Y = Ya) = = 0,6

 18

P(Usia = A3 | Y = Tidak) = = 0,2

P(Pendidikan Terakhir = SLTA | Y = Ya) = = 0,2

P(Pekerjaan = karyawan Swasta | Y = Tidak) = = 0,4

P(Pekerjaan = karyawan Swasta | Y = Tidak) = = 0,2

P(Pendapatan = Cukup | Y = Ya) = = 0,2

P(Pendapatan = Cukup | Y = Tidak ) = = 0,2

P(Tanggungan Anak = 2 | Y = Ya) = = 0,6

P(Tanggungan Anak = 2 | Y = Tidak ) = = 0,2

Menghitung Probabilitas Akhir

P(Klasifikasi = Ya)
= P(X | Y). P(Y = Ya)

= X X X X X = 0,00288

P(Klasifikasi = Tidak)
= P(X | Y = Tidak). P(Y = Tidak)

= X X X X X = 0,00016

Dari hasil perhitungan seluruh nilai probabilitas dapat disimpulkan data

yang sudah dimasukkan sebagai uji coba penerima kartu indonesia sehat ialah
P(Klasifikasi = Ya

2.2.7 Evaluasi Model

pada penelitian ini penulis menggunakan confussion matrix sebagai
metode dalam perhitungan pada penerapan teknik data mining untuk Klasifikasi
Kelayakan Penerima Bantuan Pangan Non Tunai.
 19

Cofussion Matriks adalah sebuah tool untuk mengevaluasi model dari

klasifikasi untuk memprediksi objek yang bernilai benar atau salah. Matrix dari
hasil prediksi yang nantinya akan dibandingkan dengan kelas asli inputan atau
informasi nilai aktual dan prediksi pada klasifikasi[13].

Tabel 2.4 Tabel Confussion matrix 2 kelas

Clasification Predicted class
Class = Yes Class = No
Class = Yes a (true positive-TP) b (false negative-FN)
Class = No C (false positive-FP) d (true negative-TN)

Rumus perhitungan akurasi, presisi, dan recall pada matriks:

............(2.4)

............(2.5)

............(2.6)

Ket: TP : True Positive

TN : True Negative
FP : False Positive
FN : False Negative

2.2.8 Pengembangan Sistem

Pengembangan sistem merupakan penyusunan suatu sistem yang baru
menggantikan sistem yang lama secara keseluruhan atau memperbaiki sistem
yang telah ada (Darwis et al, 2019, 2020; Irvansya et al 2020; kaleb, 2019; Putra,
2020; Sulistiani & Wibowo, 2018). Sistem dalam organisasi digunakan untuk
menyelesaikan masalah-masalah yang sering terjadi. Tentunya pengembangan
sistem sangat dibutuhkan untuk keberlangsungan suatu organisasi[14].
 20

2.2.9 Analisis Sistem

Analisis sistem merupakan tahapan paling awal dari pengembangan sistem
yang menjadi fondasi menentukan keberhasilan sistem informasi yang dihasilkan
nantinya. Analisis sistem adalah sebuah istilah yang secara kolektif
mendeskriptikan fase-fase awal pengembangan awal. Menurut Al Fatta (200:6)
analisis sistem adalah penguraian dari suatu sistem informasi yang utuh ke dalam
bagian-bagian komponennya dengan maksud untuk mengidentifikasikan dan
mengevaluasi permasalahan-permasalahan yang diharapkan sehingga dapat
diusulkan perbaikan-perbaikanya. Analisis sistem secara sistematis menilai
bagaimana fungsi dengan cara mengamati proses input dan data proses output
informasi untuk membantu peningkatan proses organisasional. Dengan demikian
analisis sistem mempunyai tiga peranan penting yaitu: 1) Sebagai konsultan, 2)
Sebagai ahli pendukung 3) sebagai ahli perubahani[15].

2.2.10 Desain Sistem

Menurut John Burch & Gary grudnitski, desain sistem dapat diartikan
sebagai penggambaran, perencanaan dan pembuatan sketsa atau pengaturan dari
beberapa elemen yang terpisah kedalam suatu kesatuan yang utuh dan
berfungsi[16].
Menurut George M. Scoot, desain sistem menentukan bagaimana suatu
sistem akan menyelesaikan apa yang harus diselesaikan. Tahap ini menyangkut
mengkonfigurasi dari suatu komponen perangkat lunak dan perangkat keras dan
dari suatu sistem sehingga setelah akan dilakukan instalasi sistem benar-benar
memuaskan rancang bangun yang telah ditetapkan pada akhir analisis[16].
Berikut desain sistem dapat diartikan sebagai berikut:
- Tahap setelah dianalisis dari siklus pengembangan sistem.
- Pendefinisian dari kebutuhan-kebutuhan sistem.
- Persiapan untuk rancang bangun implementasi.
- Menggambarkan bagaimana suatu sistem dibentuk.
 21

- Dapat berupa gambaran, perencanaan serta pembuatan sketsa atau

pengaturan dari beberapa elemen yang terpisah kedalam satu kesatuan
yang utuh dan berfungsi.
- Serta menyangkut mengkonfigurasi dari komponen-komponen
perangkat lunak dan perangkat keras.
Desain sistem juga memiliki tujuan utama, yaitu untuk memenuhi
kebutuhan kepada pemakai system agar memberikan gambaran yang sesuaidan
rancang bangun yang lengkap kepada pemrogram komputer (programmer) dan
user yang terlibat[16].
Desain sistem terbagi menjadi dua bagian yaitu desain sistem secara
umum (general system design) dan desain sistem terinci (detailed system design).
a. Desain sistem secara umum (General System Design)
Pada tahap secara umum, komponen-komponen sistem informasi yang
dirancang dengan tujuan agar dikomunikasikan dengan user bukan
untuk program. Komponen sistem informasi yang didesain adalah
node, output, input, database, teknologi dan kontrol.
b. Desain model secara terinci (Detailed System Design)
Analisis sistem dapat mendesain model dari sistem informasi yang
diusulkan dalam bentuk physical sistem dan logical model. Bagan alir
sistem adalah alat yang tepat dapat digunakan untuk menggambarkan
physical system. Logical model juga dapa digambarkan dengan
diagram arus data.
Pada tahap kontruksi ini penulis menggunakan UML (Unifield Modelling
Language) sebagai alat bantu. UML berfungsi untuk mengembangkan dan
memproduksi perangkat lunak berorientasi objek. Pada proses bisnis kelas
menulis untuk bahasa tertentu, dan standar penulis atau bentuk cetak biru yang
disebut UML semuanya akan dijelaskan.
 22

2.2.11 Pengujian Sistem

1. White Box Testing
White Box Testing atau uji kontak kaca adalah metode desain kasus uji
yang menggunakan struktur kontrol desain prosedural untuk mendapatkan kasus
uji. Dengan menggunakan metode White box maka analisis sistem akan
mendapatkan Tes Case yaitu:
a. Pastikan bahwa semua jalur independen modul diimplementasikan
setidaknya sekali.
b. Membuat semua keputusan logis
c. Gambar semua lingkaran di dalam perbatasan
d. Bekerja pada semua struktur data internal untuk memastikan validitas.
Untuk melalukan proses pengujian test case, flow chart terlebih dahulu
diterjemahkan sebagai flow control chart. Ada beberapa cara untuk membuat flow
chart, khususnya:
1. Node yaitu, pada aliran yang mewakili satu atau lebih perintah prosedural.
2. Edge Yaitu, panah yang mewakili aliran kontrol dari setiap node harus
memiliki node target.
3. Region yaitu, area yang dibatasi oleh simpul tepi harus dihitung dengan
memperhitungkan area diluar jadwal aliran.
4. Predicate Node yaitu, kondisi yang ada pada simpul memiliki karakteristik
dua atau lebih sisi lainya.
5. Cyclomatic Complexity dapat digunakan untuk menemukan jumlah jalur
dalam diagram alir.
6. Independen Path yaitu, jalur melalui atau melalui program dimana
setidaknya ada satu proses perintah baru atau kondisi baru.

Rumus-rumus untuk menghitung jumlah Independen path dalam suatu

Flowgraph yaitu:
 23

1. Jumlah regionflowrgaph mempunyai hubungan dengan Cylomatic

Complexity (CC).
2. V(G) untuk flowgraph dapat dihitung dengan rumus :
a. V(G) = E – N + 2
Dimana:
E = Jumlah edge pada flowgraph
N = Jumlah node pada flowgraph
b. V(G) = P + 1
Dimana:
P = Jumlah predicate node pada flowgraph

Teknik pelaksanaan pengujian White box ini mempunyai tiga langkah

yaitu:
1. Menggambar flowgraph yaitu ditransfer oleh flowgraph
2. Menghitung Cylomatic Complexity untuk flowgraph yang telah dibuat
3. Menenukan jalur pengujian dari flowgraph yang berjumlah sesuai
dengan Cyclomatic Complexity yang telah ditentukan.

3
4
6
5
7 8
9

11 10

Gambar 2.2 Contoh Grafik Alir White Box

 24

Flowchart diguanakan untuk menggambarkan struktur manajemen proyek.

Untuk menggambar diagram alir, perhatian harus diberikan untuk menyajikan
prosedur dalam diagram. Pada gambar dibawah, diagram memplot diagram alir
pada diagram yang sesuai (dengan asumsi bahwa tidak ada istilah kompleks yang
disertakan dalam diagram yang mendefinisikan diagram). Setiap sirkuit, yang
disebut node diagram alur, melewati satu atau lebih pernyataan prosedur. Proses
urutan jaringan permata Keputusan dapat memetahkan satu simpul. Panah ini,
disebut edge atau link, mewakili aliran kontrol yang menyerupai panah diagram.
Ujung-ujungnya harus berdiri diatas, bahkan jika puncak itu tidak membuat
pernyataan prosedural.

Gambar 2.3. Contoh Grafik Alir White Box

Dari gambar flowgraph diatas didapat:

Path 1 = 1 – 11

Path 2 = 1 – 2 – 3 – 4 – 5 – 10 – 1 – 11

Path 3 = 1 – 2 – 3 – 6 – 8 – 9 – 10 – 1 – 11

Path 4 = 1 – 2 – 3 – 6 – 7 – 9 – 10 – 1 – 11

Path 1,2,3,4 yang telah didefinisikan diatas merupakan basis set untuk diagram
air.
 25

Cyclomatic complexity digunakan untuk mencari jumlah path dalam satu

flowgraph. Dapat dipergunakan rumusan sebagai berikut.

1. Jumlah region grafik air sesuai dengan cyclomatic complexity.

2. Cyclomatix comlexity V(G) untuk grafik alir dihitung dengan rumus:
V(G) = E – N + 2..........(1)
Dimana :
E = Jumlah edge pada grafik alir
N = Jumlah node pada grafik alir
3. Cyclomatix complexity V(G) juga dapat dihitung dengan rumus :
V(G) = P + 1........(2)
Dimana P = jumlah predicate node pada grafik alir
Dari gambar diatas dapat dihitung cyclomatic complexity:
1. Flowgraph mempunyai 4 region
2. V(G) = 11 edge – 9node+ 2 = 4
3. V(G) = 3 predicate node + 1 = 4
Jadi Cylomatic complexity untuk flowgraph adalah 4
Cylomatic complexity skor tinggi menunjukan prosedur kompleks yang sulit
dipahami, diuji, dan dipelihara. Ada “risiko” komplikasi cylomatous dalam
prosedur ini.
Tabel 2.4. Hubungan antara cyclomatic Complexity dan resiko
CC Type of Procedure Risk
1-4 A Simple Procedure Low

5-10 A well Structured and stable procedure Low

11-20 A more compelx procedure Moderate

21-50 A complex procedure, alarming High

>50 An error-prone, extremely troublesome, Very high

untestable procedure
 26

2. Black Box Testing

Menurut Pressman Black-Box testing berfokus pada persyaratan fungsional
perangkat lunak, mungkinkah para insinyur untuk memperoleh berbagai
persyaratan input yang sepenuhnya sesuai dengan persyaratan operasional
perangkat lunak. Pengujian Black Box mencoba menemukan kesalahan dalam
kategori berikut:
1. Fungsi yang tidak benar atau fungsi yang hilang
2. Kesalahan antar muka
3. Kesalahan dalam struktur data atau akses database eksternal
4. Kesalahan perilaku (behavior) atau kesalahan kinerja
5. Inisialisasi dan pemutusan kesalahan
Tes ini dirancang untuk menjawab beberapa pertanyaan-pertanyaan berikut ini:
a. Bagaimana validitas fungsional diuji?
b. Bagaimana perilaku dan kinerja sistem diuji?
c. Apa kelas input akan membuat kasus uji yang baik?
d. Apakah sistem sensitive terhadap nilai input tertentu?
e. Bagaimana batas-batas kelas data yang terisolasi?
f. Kecepatan dan volume data seperti apa yang dapat ditolerir sistem?
 27

1.3 Perangkat Lunak Pendukung

Adapun perangkat lunak pendukung dalam membangun sistem ini adalah:
Tabel 2.5 Perangkat Lunak Pendukung
No Perangkat Lunak Keterangan
1 PHP PHP merupakan interpreter yaitu proses
penerjemahannya baris kode sumber menjadi
kode mesin yang dimengerti oleh komputer
secara langsung pada saat baris kode akan
dijalankan.
2 MySQL Adalah sebuah sistem database relasional,
sehingga dapat mengelompokkan suatu
informasi data kedalam tabel-tabel atau data
informasi yang berkaitan.
 28

2.4 Kerangka Pemikiran

MASALAH

1. Bagaimana menerapkan metode Naive Bayes dalam suatu sistem untuk

mengklasifikasikan tingkat kelayakan penerima bantuan pangan non tunai?
2. Bagaimana hasil penerapan metode Naive Bayes dari klasifikasi kelayakan
penerima Bantuan Pangan Non Tunai?

PEMODELAN

1. Pengumpulan Data 1. Observasi & Dokumentasi

2. Naive Bayes
2. Klasifikasi

3. Evaluasi (Akurasi) 3. Consusion Matriks

SISTEM DEVELOPMENT

4. Analisis Sistem 4. Sistem Berjalan (UML TOOLS)

5. Desain Output, Desain Input,

5. Desain Sistem Desain Basis Data, Desain Teknologi,
dan Program Desain

6. Kontruksi Sistem 6. Database (MySQL) Programming

(PHP)

7. Whitebox dan Blackbox

7. Pengujian Sistem

TUJUAN

1. Menentukan kelayakan keluarga peneriman bantuan pangan non tunai.

2. Melakukan klasifikasi kelayakan penerima bantuan pangan non tunai menggunakan
metode Naive Bayes.

Gambar 2.4 Bagan Kerangka Pikir

 BAB III
METODE PENELITIAN
3.1 Jenis, Metode, Subjek, Objek, Waktu, dan Lokasi Penelitian
Dilihat dari tingkat penerapannya penelitian ini adalah penelitian terapan
dan jenis informasi yang diolah pada penelitian ini adalah penelitian kuantitatif.
Dilihat dari informasi data, maka penelitian ini adalah penelitian konfirmatori.
Dengan demikian jenis penelitian ini adalah penelitian deskriptif.

Subjek penelitian ini adalah klasifikasi kelayakan pada objek penerima

bantuan pangan non tunai menggunakan metode Naive Bayes. Penelitian ini
dimulai Oktober 2022 sampai dengan Maret 2023 yang berlokasi didesa Moutong
Utara.

3.2 Pengumpulan Data

Adapun jenis pengumpulan data ini yaitu data primer dan data sekunder.
Data primer adalah data yang dikumpulkan langsung dilapangan, sedangkan data
sekunder ialah data yang dikumpulkan dari penelitian sebelumnya seperti jurnal
yang membahas data mining serta membahas klasifikasi yang menggunakan
metode Naive Bayes, baik dari internet maupun dari perpustakaan. Adapun
variabel/atribut dan tipe datanya masing-masing yang ditujukan dari tabel berikut:

Tabel 3.1 Atribut Data

No Name Type Value Ket
1 Nama Polynominal Nama DTKS Input
Jumlah Integer 1 s/d 6 Orang Input
2
Tanggungan
3 Penghasilan Integer 0 s/d 500.000 Input
Pekerjaan Polinominal - Petani Input
4 - IRT
- Pedagang

3.3 Pemodelan
Prosedur atau tahapan-tahapan pada proses klasifikasi menggunakan metode
Naive Bayes untuk memudahkan dalam melakukan tahapan klasifikasi yaitu:

29
 30

3.3.1 Tahap Pengumpulan Data

Data primer penelitian ini yaitu kriteria penerima BPNT meliputi jumlah
tanggungan, pendapatan, kepemilikan rumah, material lantai, material dinding,
luas bangunan, aset, jenis transportasi. Dan data sekunder penelitian ini adalah
media pustaka tentang teori-teori sistem aplikasi dan metode yang akan digunakan
dalam pembuatan aplikasi, yaitu metode Naive Bayes.

3.3.2 Tahap Klasifikasi

Klasifikasi Merupakan proses untuk mencari model atau fungsi yang akan
menjelaskan dan membedakan kelas atau aturan tertentu dari data, dengan tujuan
untuk menggunakan model dan melakukan prediksi dari kelas suatu objek dimana
tidak diketahui label dari kelas tersebut. Pada tahap pengklasifikasian ini penulis
akan menggunakan metode Naive Bayes.

3.3.3 Tahap Evaluasi (Akurasi)

Pada tahap ini pengujian akan dilakukan dengan membandingkan antara
hasil keluaran aplikasi yang akan dibangun dengan hasil pendataan manual,
kemudian untuk mngeetahui performa dari aplikasi hasil perbandingan akan
dihitung menggunakan cofussion matrix.

3.3.4 Tahap Analisis Sistem

Analisis sistem menggunakan pendekatan berorientasi objek yang
digambarkan dalam bentuk:
(a) Funcional modelling, yang menggunakan alat bantu UML, dalam
bentuk:
- Use case diagram
- Actifity diagram
(b) Structural modelling menggunakan alat bantu UML, dalam bentuk:
- Class diagram
(c) Behavioral modelling, menggunakan alat bantu UML, dalam bentuk:
- Sequence Diagram
 31

3.3.4.1 Analisis Sistem Berjalan

Pemberian Bantuan Pangan Non Tunai kepada masyarakat seringkali tidak
tepat sasaran dikarenakan data masyarakat belum diolah dengan baik dan belum
dilakukan pengelompokkan kelayakan penerima BNPT.

3.3.4.2 Analisis Sistem Usulan

Sistem yang diusulkan yaitu klasifikasi penerima bantuan pangan non
tunai dengan beberapa kriteria sebagai input berikut: 1). Pekerjaan Masyarakat, 2).
Pendapatan, 3). Jumlah tanggungan, 4). Status kepemilikan rumah, 5). Aset, 6).
Material lantai, 7). Material Dinding, 8). Luas Bangunan, 9). Jenis Transportasi,
serta 10). Tingkat Pendidikan. Proses menggunakan Algoritma Naive Bayes
output yang akan diperoleh dari hasil Klasifikasi Kelayakan Penenrima Bantuan
Pangan Non Tunai berupa Layak dan Tidak Layak.

3.3.5 Tahap Desain Sistem

Tahap ini merancang sistem yang akan di ususlkan berdasarkan dari hasil
analisis yang telah dilakukan sebelumnya. Pada tahap ini strategi untuk
memecahkan masalah dan mengembangkan solusi terbaik bagi permasalahan
sistem. Jika pada tahap analisis melakukan kesalahan bisnis, maka sebaiknya
tahap desain fokus pada sisi teknis dan implementasi perangkat lunak dari sistem
yang diusulkan. Tahap desain adalah tugas dan aktivitas yang dilakukan dan
terfokus pada spesifikasi detail dan solusi berbasis komputer. Alat (tools) yang
digunakan dalam sistem ini, dalam hal ini untuk desain model, adalah UML
(Unifield Modelling Language) dan Kamus Data. Untuk desain Output dan Input
menggunakan MS Visio. Sedangkan untuk desain basis data menggunakan ERD
(Entity Relation Ship Diagram).

3.3.6 Tahap Kontruksi Sistem

Pada tahapan ini dimana kita melakukan pengembangan, melakukan
tahapan produksi sesuai dengan hasil analisa dan desain sistem yang sebelumnya,
termaksud yang ada didalamnya untuk membangun sebuah aplikasi, menulis
 32

listing program dan membangunnya dalam sebuah antarmuka dan integrasi

sistem-sistem program yang terdiri dari input, proses, output, yang tersusun dalam
sebuah sistem menusehingga dapat dijalankan oleh pengguna sistem. Dalam tahap
ini penulis menggunakan bahasa pemograman PHP dan Database MySQL.

3.3.7 Tahap Pengujian Sistem

1. White Box
Software yang telah direkayasa kemudian diuji dengan metode White Box
Testing pada kode program proses penerapan metodenya/modelnya. Kode
program tersebut dibuat flowchart programnya, kemudian dipetakan kedalam
bentuk flowgraph (bagan alir kontrol) yang tersusun dari beberapa node dan edge.
Berdasarkan flowgraph, ditentukan jumlah region dan Cyclomatic Complexity
(CC). Apabila independent path = V(G) = (CC) region, dimana setiap path hanya
dieksekusi sekali dan sudah benar, maka sistem dinyatakan efisien dari segi
kelayakan logika pemograman.

2. Black Box
Selanjutnya software diuji pula dengan metode Black Box testing yang
fokus pada keperluan fungsional dari software dan berusaha untuk menemukan
kesalahan dalam beberapa kategori, diantaranya: (1) Fungsi-fungsi yang salah satu
hilang; (2) Kesalahan interface; (3) Kesalahan dalam struktur data atau akses basis
dua eksternal; (4) Kesalahan performa; (5) Kesalahan inisialisasi dan terminasi.
Jika sudah tidak ada kesalahan-kesalahan tersebut, maka sistem dinyatakan efisien
dari segi kesalahan komponen-komponen.
 33

DAFTAR PUSTAKA
[1] S. Yani, F. S. Jumeilah, and M. Kadafi, “Algoritma K-Nearest Neighbor
Untuk Menentukan Kelayakan Keluarga Penerima Bantuan Pangan Non
Tunai ( Studi Kasus : Kelurahan Karya Jaya ),” vol. 1, no. 2, 2020.
[2] D. M. Hasimi, “Analisis Program Bantuan Pangan Non Tunai (Bpnt) Guna
Meningkatkan Kesejahteraan Masyarakat Dalam Perspektif Ekonomi
Islam,” REVENUE J. Manaj. Bisnis Islam, vol. 1, no. 01, pp. 61–72, 2020,
doi: 10.24042/revenue.v1i01.5762.
[3] E. Ermawati, “Algoritma Klasifikasi C4.5 Berbasis Particle Swarm
Optimization Untuk Prediksi Penerima Bantuan Pangan Non Tunai,”
Sistemasi, vol. 8, no. 3, p. 513, 2019, doi: 10.32520/stmsi.v8i3.576.
[4] C. Agus Sugianto and F. Rizky Maulana, “Algoritma Naïve Bayes Untuk
Klasifikasi Penerima Bantuan Pangan Non Tunai,” Techno.COM, vol. 18,
no. 4, pp. 321–331, 2019.
[5] N. Alfiah, “Klasifikasi Penerima Bantuan Sosial Program Keluarga
Harapan Menggunakan Metode Naive Bayes,” Respati, vol. 16, no. 1, p.
32, 2021, doi: 10.35842/jtir.v16i1.386.
[6] “1 , 2 , 3,” no. 2019, pp. 175–185, 2021.
[7] M. M. Alfitri, E. Mashamy, I. Komputer, P. Studi, S. Informasi, and U. D.
Ali, “Klasifikasi Data Penduduk Untuk Menerima Bantuan Pangan Non
Tunai Menggunakan Algoritma Naïve Bayes,” JURIKOM (Jurnal Ris.
Komputer), vol. 9, no. 4, pp. 1035–1043, 2022, doi:
10.30865/jurikom.v9i4.4678.
[8] H. Putri, A. I. Purnamasari, A. R. Dikananda, O. Nurdiawan, and S. Anwar,
“Penerima Manfaat Bantuan Non Tunai Kartu Keluarga Sejahtera
Menggunakan Metode NAÏVE BAYES dan KNN,” Build. Informatics,
Technol. Sci., vol. 3, no. 3, pp. 331–337, 2021, doi:
10.47065/bits.v3i3.1093.
[9] I. Adiwijaya, “Text Mining dan Knowledge Discovery,” Colloq. with
Indones. datamining soft-computing community, pp. 1–9, 2006, [Online].
Available: http://web.ipb.ac.id/~ir-lab/pdf/tm (text summarization).pdf
[10] A. H. Hailitik, B. S. Djahi, Y. Y. Nabuasa, J. I. Komputer, and U. N.
Cendana, “KLASIFIKASI JURUSAN MENGGUNAKAN METODE
NAÏVE BAYES PADA,” vol. 5, no. 2, pp. 21–27, 2017.
[11] H. Naparin, “Klasifikasi Peminatan Siswa Sma Menggunakan,” Systemic,
vol. 02, no. 01, pp. 25–32, 2016, [Online]. Available:
http://jurnalsaintek.uinsby.ac.id/index.php/SYSTEMIC/article/view/104/88
 34

[12] A. A. Rahman and Y. I. Kurniawan, “Aplikasi Klasifikasi Penerima Kartu

Indonesia Sehat Menggunakan,” Progr. Stud. Inform. Univ.
Muhammadiyah Surakarta, 2016.
[13] D. Ardiansyah and W. Walim, “Algoritma c4.5 untuk klasifikasi calon
peserta lomba cerdas cermat siswa smp dengan menggunakan aplikasi rapid
miner,” J. Inkofar, vol. 1, no. 2, pp. 5–12, 2018.
[14] C. Binardo, “Pengembangan Sistem Pendaftaran Kejuaraan Karate Berbasis
Web dengan Pendekatan Extreme Programing,” J. Inform. dan Rekayasa
Perangkat Lunak, vol. 2, no. 2, pp. 276–284, 2021.
[15] R. Muhidin, N. F. Kharie, and M. Kubais, “Analisis Dan Perancangan
Sistem Informasi Pada Sma Negeri 18 Halmahera Selatan Sebagai Media
Promosi Berbasis Web Analysis and Information System Design in Sma
Negeri 18 South Halmahera As Media Promotion of Web-Based,” IJIS-
Indonesia J. Inf. Syst., vol. 4, no. April, pp. 69–76, 2019, [Online].
Available: https://media.neliti.com/media/publications/260171-sistem-
informasi-pengolahan-data-pembeli-e5ea5a2b.pdf
[16] Https://blackhatkrian.blogspot.com/2017/04/analisis-dan-perancangan-
sistem.html, “No Title.”